摘要：針對傳統測量方法成本高、操作復雜、圖像特征匹配率準確度不高等問題,提出了一種將Kinecl傳感器與計算機視覺技術相結合的構建人體三維腳型的方法。利用Kinect傳感器搭建測量系統，獲取不同角度的深度信息圖像，通過改進的Harris-SIFT算法對特征點進行提取與匹配，并通過迭代最近點(ICP)算法完成對點云數據的拼接。結果表明:所提方法能夠便捷、準確地實現人體三維腳型的構建。

　　關鍵詞：傳感器;計算機視覺;三維腳型;特征點

　　0引言

　　三維重建是在虛擬環境中處理、分析和操作的基礎E,同時也是人體測量的關鍵技術，人體測量的數據為制定鞋、服裝等服飾提供了標注依據。構建人體三維腳模型,可以用于面向個性化定制鞋、模特腳部的制作以及滿足三維(3D)打印的需求⑵。本文提出將Kinecl傳感器與計算機視覺相結合構建人體獲得所需要的腳型三維模型。

　　1系統總體方案

　　系統的總體方案流程如下:首先Kinect傳感器在每一個標志位置均做短暫停留獲取不同角度的腳型深度數據圖像。并根據在標志位置獲取的深度圖像進行預處理與分割操作，并轉換為三維點云數據。在三維重建模塊將獲得的三維點云數據進行迭代最近點(iterativeclosestpoint,ICP)精匹配，然后對匹配結果進行拼接、融合。最后，對拼接好的點云進行曲面重建與渲染，得到最終三維重建模型。

　　本文采用采集硬件平臺獲取腳型的圖像。通過在滑軌軌道上部署3臺Kinecl傳感器，每臺傳感器移動120。范圍的形式設置。根據Kinect的深度數據獲取有效范圍，滑軌半徑可設置在0.8~1.5m之間，本實驗采用0.8m作為半徑。為了獲得足夠的腳后跟和腳前掌的點云數據和完整的腳型數據，拍攝的間隔角度需要比較小⑸，這里間隔角度取30°，即每臺Kinect移動約30。進行一次圖像采集，為了便于控制目標移動的角度，對每個角度位置做上標志，每臺Kinect從起始點繞順時針方向進行數據采集，繞目標移動直到移動到下一臺Kinect的起始位置為止。

　　2圖像數據的獲取與預處理

　　2.1深度信息的獲取

　　Kinect傳感器獲得真實場景的深度信息，主要是通向物體發射紅外散斑，隨著物體遠近的不同形成不同的散斑形狀⑹，紅外攝像頭拍攝這些不同的散斑圖案，通過PS1080芯片進行計算，內部解碼分析獲得所拍攝目標較為準確的深度數據,當Kinect需要獲取深度信息時,紅外攝像頭拍攝到散斑圖案，將此圖案與保存記錄好的散斑圖案進行相關性換算，之后通過三角測量原理進行計算獲取目標的深度信息⑺。

　　2.2深度圖像的預處理

　　在實際應用中，因為Kinect的外紅散斑發射和采集受到物體表面條件、光照條件、信號傳輸條件、遮擋等問題的影響，其獲取的圖像中,會含有一些噪聲點以及空洞點⑻。而對于三維重建，這些因素會在一定程度上影響三維點云的準確度和完整性，所以需要提前對其進行預處理。雙邊濾波能夠在去噪的同時保護好圖像邊緣和輪廓數據的特性較為適合作為深度圖濾波方式。雙邊濾波含有兩個影響因子，分別為像素差值和空間幾何距離⑼。相比較高斯濾波，雙邊濾波改進點在于考慮空間距離關系的同時，增加了對周圍領域點的歐氏距離的考慮。

　　3圖像特征匹配

　　本文在Harris-SIFT算法的基礎上提出了改進HarrisSIFT特征點描述算法,通過匹配實現對大偏差角度圖像上的物體特征的搜索和配對。并應用于腳型三維重建系統中的點云配準模塊。

　　3.1深度圖像的分割

　　由于在本實驗為動態采集目標信息,對于背景差分法來說，背景的采集和配對十分困難。該系統Kinect分隔角度較大，不易對背景造成干擾,同時Kinect滑軌距離目標距離固定，十分容易設定閾值，故該系統適合采用閾值分割法對目標和背景進行分割。4實驗結果分析為了實驗環境避免對RGB圖像進行處理和匹配時收到明暗相差過大等因素的干擾，同時采用室內環境保證Kinect傳感器不會受到強太陽光干擾,采用普通白熾燈光照下的室內進行。

　　由于單純的腳模表面適合用于匹配的特征點較少，在實驗前,為腳模穿穿上具有黑白相間得格子紋理的襪子,這種編織物上具有豐富的角點特征，十分適合于Harris角點檢測。動態Harris-SIFT算法匹配中，影響匹配結果的因素包括閾值(ratio)的設置、間隔角度、匹配圖數量等，其中，近鄰/次近鄰的ratio的大小設置對匹配結果有最直接的影響。本文通過多次實驗，從小到大逐漸改變ratio的設置值，得到的匹配點對數量和準確率變化如圖3所示。由圖可知，匹配點個數隨著ratio的增大而增大，但是匹配點對的匹配正確率大致隨著匹配點對的增加而減少，可以觀察到在ratio設置為0.75時，匹配點對的數量和匹配點對的正確率達到一個均衡的值，在獲得豐富的匹配點對的同時,保證足夠的正確率。所以本文選取ralio值為0.75。

　　相同條件下傳統算法與改進算法匹配結果，可以看出，同樣條件下，改進的動態Harris-SIFT算法匹配的特征點對數略高于傳統的HarrisSIFT算法匹配結果。算法的平均定位誤差小于最小二乘法和PSO定位算法、FPA定位算法，相較于其他算法擁有更好的收斂性。

　　4結論

　　本文對于在測距誤差存在情況下，RSSI定位算法中采用最小二乘法求解未知節點位置受測距誤差影響較大這一情況，使用改進FPA算法替代最小二乘法，降低測距誤差影響，獲得更好的定位精度。在測距誤差、錨節點所占比例、通信半徑、總節點數目變化的情況下，本文算法的誤差更小,對測距誤差影響起到一定抑制作用，證明本文算法適用于無線傳感器網絡的定位算法。但在定位求解時間和能量消耗方面，對網絡有一定的要求。

　　參考文獻：

　　[1]譚愛平，陳浩，吳伯橋•基于BADV-Hop的傳感器節點定位方法[J]•計算機工程與應用,2014,50(17)：125-129.

　　[2]LOWKS,NGUYENHA,GUOH.Optimizationofsensornodelocationsinawirelesssensornetworks[C]

　　[3]李杰，李振波,陳佳品•一種基于遺傳算法與蟻群算法混合算法的無線傳感器網絡定位算法[J]•軟件,201乙38(1):11-15・

　　計算機論文投稿刊物：計算機工程與應用是一本面向計算機全行業的綜合性學術刊物，覆蓋面寬、信息量大、報道及時是本刊的服務宗旨。多年來，本刊堅持走學術與實踐相結合的道路，在內容上既注重理論的先進性又兼顧實用技術的廣泛性，在促進學術交流的同時，推進了科技成果的轉化。